ChatGPTのような生成AIに加えて、「RAG」「AIエージェント」「MCP」という言葉を目にする機会が増えました。しかし、どれもLLMを使うため、違いが分かりにくいと感じる人も多いはずです。
最初に結論をまとめると、生成AIはコンテンツを作る能力、RAGは外部知識を補う仕組み、AIエージェントは目標に向けて計画・実行・確認を繰り返す仕組みです。MCPは、エージェントなどが外部のデータやツールへ接続するための共通規格の一つです。
この記事では、4つの役割を比較しながら、どのような課題で何を選ぶべきかを整理します。
30秒で分かる：生成AI・RAG・AIエージェントの違い
| 仕組み | 主な役割 | 外部情報 | ツール実行 | 処理の進め方 | 向いている例 |
|---|---|---|---|---|---|
| 生成AI | 文章・画像・コードなどを生成 | 必須ではない | 必須ではない | 入力に対して出力を返す | 要約、文章作成、アイデア出し |
| RAG | 検索した資料を使って回答を補強 | 検索して利用 | 主に検索 | 検索してから生成する | 社内文書QA、マニュアル検索 |
| ワークフロー | 決められた手順を順番に処理 | 必要に応じて利用 | 利用できる | 人間が定義した経路を進む | 定型レポート、承認フロー |
| AIエージェント | 目標達成まで計画と行動を繰り返す | 必要に応じて利用 | 自ら選択して利用 | 結果を見て次の行動を決める | 調査、コーディング、複数アプリ操作 |
重要なのは、これらが排他的な分類ではないことです。AIエージェントの内部で生成AIを使い、必要な情報をRAGで取得し、MCP経由でツールを呼び出すこともあります。
生成AIとは：コンテンツを作る能力
生成AIは、入力された指示やデータをもとに、文章・画像・音声・動画・コードなどを作るAIです。チャット形式のサービスでは、質問を入力するとモデルが回答を生成します。
例えば、次のような作業は生成AIだけでも実行できます。
- 長い文章を短く要約する
- メールや記事の下書きを作る
- Pythonコードの例を作る
- アイデアを複数提案する
- 与えられた文章を翻訳する
基本形は「入力 → 生成 → 出力」です。会話履歴や添付資料を利用する場合もありますが、生成AIそのものが複数のアプリを操作したり、目標達成まで自律的に作業を続けたりするとは限りません。
RAGとは：外部の知識を検索して回答を補う仕組み
RAGはRetrieval-Augmented Generationの略で、日本語では「検索拡張生成」などと呼ばれます。質問に関係する資料を検索し、その内容をLLMへ渡してから回答を生成します。
典型的な処理は次の通りです。
- ユーザーが質問する
- 質問に近い文書やデータを検索する
- 見つかった情報をプロンプトへ追加する
- LLMが資料を参照して回答する
RAGの利点は、モデルの学習時点に含まれていない情報や、組織固有の情報を回答に利用できることです。社内規程、製品マニュアル、研究資料、過去の問い合わせ履歴などを検索対象にできます。
一方、RAGは基本的に「知識を取り出して回答へ渡す」仕組みです。検索結果を使って回答するだけなら、目標を立てて外部サービスを操作するAIエージェントとは異なります。
AIエージェントとは：目標に向けて計画と行動を繰り返す仕組み
AIエージェントという言葉に、業界全体で完全に統一された定義があるわけではありません。ただし、多くの実装に共通するのは、LLMが目標に応じて行動を選び、ツールを利用し、結果を観察して次の行動を調整する点です。
OpenAIの実践ガイドでは、エージェントの基本要素を次の3つに整理しています。
- モデル：状況を解釈し、判断するLLM
- ツール：検索、ファイル操作、APIなど、外部で行動する手段
- 指示：行動方針、制約、停止条件、ガードレール
Anthropicは、あらかじめ決められたコード経路を進む「ワークフロー」と、モデル自身が処理やツール利用を動的に決める「エージェント」を区別しています。
エージェントの処理は、概ね次のループで表現できます。
- 目標を理解する
- 必要な作業を計画する
- 検索やコード実行などのツールを選ぶ
- ツールを実行する
- 結果を観察する
- 十分でなければ計画を修正する
- 完了するか、人間の判断が必要な地点で停止する
単に回答を一度生成するのではなく、環境から得た結果を次の判断に利用する点が重要です。
チャットボット・ワークフロー・エージェントの境界
すべての業務にAIエージェントが必要なわけではありません。決まった手順で確実に処理できる場合は、通常のプログラムやワークフローの方が安定し、速く、安価です。
チャットボットが向いている場合
- 1回の質問と回答で解決する
- 外部サービスを操作する必要がない
- 文章作成や要約が中心
ワークフローが向いている場合
- 処理手順が事前に決まっている
- 同じ順番で再現できることが重要
- 各段階の成否を明確に判定できる
AIエージェントが向いている場合
- 事前に必要な手順をすべて決められない
- 状況に応じて検索先やツールを変える必要がある
- 複数の結果を比較し、途中で計画を修正する
- 最終結果に到達するまで複数ステップかかる
エージェントは柔軟性を得る代わりに、処理時間・APIコスト・失敗パターンが増えます。「使えるから使う」のではなく、固定手順では解きにくい課題へ限定するのが安全です。
RAGとAIエージェントはどう組み合わせる？
RAGはAIエージェントが利用する部品にもなります。
例えば「過去の研究資料を調査し、比較表を作る」という依頼では、エージェントが次のように動けます。
- 調査観点を計画する
- RAGを使って関連資料を検索する
- 情報が不足していれば検索条件を変更する
- 出典ごとの主張を比較する
- 矛盾や不足を検出する
- 比較表と要約を作る
RAGだけなら、与えられた質問に近い資料を検索して回答します。エージェントを組み合わせると、検索結果を評価し、不足を判断し、次の検索へ進む処理まで担当できます。
MCPとは：エージェントとツールをつなぐ共通規格
MCP（Model Context Protocol）は、AIモデルを外部のデータソースやツールへ接続するためのオープンなプロトコルです。
エージェントはツールを使って行動しますが、サービスごとに独自の接続処理を書くと管理が複雑になります。MCP対応のクライアントとサーバーを利用すると、対応ツールを共通の方法で公開・利用しやすくなります。
ただし、MCPを使っただけでAIがエージェントになるわけではありません。MCPは接続手段であり、目標の理解、計画、実行判断、停止条件などは別に設計する必要があります。
実例：ブログ運用を半自動化する場合
このブログの運用を例に考えてみます。目的は「検索流入を回復しながら、読者体験を損なわずに記事を改善すること」です。
生成AIだけを使う場合
人間がテーマを指定し、生成AIが本文の下書きを作ります。アクセスデータの確認、更新対象の選択、WordPressへの登録は人間が行います。
RAGを加える場合
過去記事、公式ドキュメント、運営方針を検索し、それらを参照して下書きを作ります。古いコードやサイト内の重複を避けやすくなります。
エージェント化する場合
エージェントは、アクセスデータから候補を抽出し、優先順位を付け、公式資料を調査し、本文と図を作成し、WordPressの下書きまで進めます。
ただし、次の操作では停止します。
- 記事を外部公開する
- URLを変更する
- 既存記事を削除する
- 広告設定を変更する
- 費用が発生するサービスを使う
このように、すべてを自動化するのではなく、調査・整理・下書きはエージェント、人間は目的変更や不可逆な判断を担当する設計が現実的です。
AIエージェント導入時の注意点
1. 誤った操作が外部へ影響する
ツールを持つエージェントは、ファイル変更、投稿、送信、購入などを実行できる場合があります。読み取りと書き込みを分離し、公開・削除・購入などの前には人間の承認を置きます。
2. プロンプトインジェクション
エージェントが読むWebページや文書に、エージェントを誤誘導する指示が含まれる可能性があります。外部コンテンツを命令ではなく資料として扱い、秘密情報や権限の扱いを制限する必要があります。
3. コストと処理時間
計画、検索、評価、再試行を繰り返すため、1回の生成より時間とAPI利用量が増えます。最大ステップ数、予算、停止条件を設定します。
4. 結果の検証方法
「良い記事を作る」のような曖昧な目標だけでは、完了を正しく判断できません。リンク切れがない、コードが実行できる、必須項目が揃っているなど、確認可能な完了条件を用意します。
5. ログと再開方法
長いタスクでは、どの資料を使い、何を決め、どこまで進んだかを保存します。失敗時に最初からやり直すのではなく、安全な地点から再開できる設計が必要です。
どれを選ぶべき？
迷った場合は、必要最小限の仕組みから始めます。
- 文章や画像を作りたい → 生成AI
- 固有資料を参照した回答が欲しい → RAG
- 決まった複数手順を自動化したい → ワークフロー
- 状況に応じて計画やツールを変えたい → AIエージェント
- 複数ツールを共通の方法で接続したい → MCPを検討
最初から複数エージェントを組み合わせる必要はありません。単一のLLMと少数のツールから始め、固定ワークフローでは対応できない部分が明確になった段階で、エージェント化を進める方が検証しやすくなります。
まとめ
- 生成AIは、文章・画像・コードなどを生成する
- RAGは、外部資料を検索して生成時の知識を補う
- AIエージェントは、目標に向けて計画・実行・観察・修正を繰り返す
- MCPは、モデルと外部ツールやデータを接続する規格の一つ
- RAGやMCPは、AIエージェントの構成要素として利用できる
- 外部公開・削除・購入などには人間の確認地点を置く
- 固定手順で解ける課題には、通常のワークフローを優先する
AIエージェントの価値は、人間を完全に外すことではありません。調査や反復作業を任せ、人間が目的・優先順位・外部への影響を判断できるようにすることにあります。
コメント